在电商仓储中,对于不规则物品打包作业属于特殊的三维装箱问题(three dimensional bin packing problem,3D-BPP),需要选择箱子的种类和数量,确定物品的装箱位置和方向,以期最大化利用装载空间。本文采用点云刻画不规则物品的形状,通过...在电商仓储中,对于不规则物品打包作业属于特殊的三维装箱问题(three dimensional bin packing problem,3D-BPP),需要选择箱子的种类和数量,确定物品的装箱位置和方向,以期最大化利用装载空间。本文采用点云刻画不规则物品的形状,通过颗粒化的思想,将稀疏不均匀的点云转化为不规则物品的空间颗粒凸包,构建了不规则物品三维装箱问题的空间颗粒模型;通过提炼装箱活动实践操作的专家规则,设计了基于经验模拟的启发式算法,并结合DQN(deep q-network)算法框架设计了针对不规则物品三维装箱问题的H-DQN(heuristic deep q-network)算法。此外,本文基于现有行业数据,开发了一个实例生成器用于算例测试。数值测试结果表明,相较于遗传算法等已有算法,H-DQN算法的空间利用率平均提高到45.92%;同时计算速度明显加快,平均降低了97%的计算时间,验证了H-DQN算法处理3D-BPP的有效性。展开更多
文摘在电商仓储中,对于不规则物品打包作业属于特殊的三维装箱问题(three dimensional bin packing problem,3D-BPP),需要选择箱子的种类和数量,确定物品的装箱位置和方向,以期最大化利用装载空间。本文采用点云刻画不规则物品的形状,通过颗粒化的思想,将稀疏不均匀的点云转化为不规则物品的空间颗粒凸包,构建了不规则物品三维装箱问题的空间颗粒模型;通过提炼装箱活动实践操作的专家规则,设计了基于经验模拟的启发式算法,并结合DQN(deep q-network)算法框架设计了针对不规则物品三维装箱问题的H-DQN(heuristic deep q-network)算法。此外,本文基于现有行业数据,开发了一个实例生成器用于算例测试。数值测试结果表明,相较于遗传算法等已有算法,H-DQN算法的空间利用率平均提高到45.92%;同时计算速度明显加快,平均降低了97%的计算时间,验证了H-DQN算法处理3D-BPP的有效性。